Passagezichtbaarheidsindex

Passage Visibility Index (PVI) is geen Google-metriek. Het is een zelfgemaakte score die SEO’ers bouwen om in te schatten hoe waarschijnlijk een passage van 40-250 woorden zichtbaar wordt voor een zoekopdracht, zelfs als de volledige pagina niet het sterkste resultaat is. In de praktijk nuttig. Makkelijk te misbruiken.

Wat PVI werkelijk meet

PVI is meestal een score van 0-1 of 0-100 die aan een alinea, lijst of korte sectie wordt toegekend. Het model probeert te voorspellen of dat blok de juiste structuur, relevantie en context heeft om te profiteren van Google’s passage-level begrip. Google introduceerde passage-ranking in 2020, en Google’s John Mueller heeft herhaaldelijk verduidelijkt dat Google geen aparte “passage index” heeft waar je direct tegen kunt optimaliseren. Behandel PVI dus als een interne priorisatielaag, niet als een rankingfactor.

Het beste gebruiksscenario zijn pagina’s die al ranken in posities 8-30 in Google Search Console. Die pagina’s hebben vaak genoeg autoriteit om mee te concurreren, maar zwakke antwoordblokken. Door één passage aan te scherpen kan een URL van 0 klikken op long-tail varianten naar betekenisvol oplopend incrementaal verkeer gaan.

Hoe teams het opbouwen

De meeste teams halen HTML op alinea-niveau met Screaming Frog custom extraction, Python of BeautifulSoup, en koppelen elk blok vervolgens aan zijn bovenliggende H2 of H3. Features bevatten meestal: passage-lengte, overlapping van query-termen, semantische overeenkomst met best scorende snippets, afstemming van headings, context van interne links en entiteitsdekking vergeleken met concurrerende pagina’s uit Ahrefs- of Semrush-exports.

Voor modellering geldt: eenvoudige methodes winnen vaker dan mensen toegeven. Logistische regressie is meestal genoeg als je een nette gelabelde set hebt uit GSC plus SERP-snapshots. XGBoost kan helpen bij grotere sites met 10.000+ passages, maar alleen als je labels betrouwbaar zijn. Dat is het zwakke punt. Labels op passage-niveau zijn ruisachtig omdat GSC rapporteert op pagina-query-niveau, niet op passage-query-niveau.

Een praktische benchmark: als je model random niet met een brede marge kan verslaan én een AUC boven ongeveer 0,75 haalt bij back-testing, is het waarschijnlijk niet klaar voor productie.

Wat je optimaliseert als PVI laag is

• Antwoordvorm: Plaats het directe antwoord in de eerste zin. Onderbouw het daarna met details in 40-80 woorden.
• Heading-match: Herwerk H2’s en H3’s zodat ze aansluiten op de daadwerkelijke query-framing zoals die in GSC en Semrush wordt getoond.
• Context-signalen: Voeg nabije entiteiten, voorbeelden en interne links toe zodat de passage niet semantisch geïsoleerd is.
• Opmaak: Lijsten en korte verklarende blokken presteren vaak beter dan opgeblazen alinea’s, vooral bij vergelijking en how-to intent.

Surfer SEO en content scoring in de stijl van Clearscope kunnen helpen bij entiteits-gaten, maar het zijn geen passage-modellen. Ander werk.

Waar PVI breekt

De kanttekening is simpel: Google rangschikt pagina’s, niet losgesneden alinea’s die in het luchtledige zweven. Een sterke passage op een pagina met DR 18 en 12 verwijzende domeinen zal voor competitieve termen toch verliezen van een zwakkere passage op een pagina met DR 70 en 5.000 verwijzende domeinen. PVI is het meest bruikbaar op sites die al basisautoriteit hebben en stabiel worden geïndexeerd.

Ook wordt het rommelig op JavaScript-zware pagina’s, met templated content, en op pagina’s met een slechte heading-hiërarchie. Als Screaming Frog geen nette secties kan extraheren, wordt je score onzin. Begin daarmee. Niet met machine learning-theater.